硅光技术在AI领域的应用情况如何？

我认为AI 推动光通信需求快速释放，以及硅光集成技术落地、工艺生态完善，硅光渗透率有望快 速提升。

1. AI 训练和推理爆发，打开规模效应，有望降低成本

AIGC 技术或将改变数据中心网络架构，推动人工智能更广泛的应用。人工智能主 要利用数字计算机或者由数字计算机控制的机器，模拟、延伸和扩展人类的智能，感知 环境、获取知识并使用知识获得最佳结果的理论、方法、技术和应用系统，目前主要应 用在深度学习、自然语言处理以及计算机视觉等场景。 AI 大模型运行背后需要强大的云计算算力支撑，光模块需求有望明显提升。 GPU 作为算力核心服务器的重要载体扮演着至关重要的角色。GPU 的高效处 理能力与并行计算能力，使其成为实现大型语言模型训练的优秀选择。英伟达 作为芯片巨头所生产的 AI 芯片在其中扮演着至关重要的角色。英伟达先后推 出 V100、A100 和 H100 等多款用于 AI 训练的芯片。 英伟达的 H100 GPU 与 800G 光模块在计算力网络中的比例将根据不同层级而 有所不同。根据 GPU 算力公众号，在服务器层，预计 GPU 与 800G 光模块的 比例将为 1:1；在交换机层，预计该比例将为 1:2。考虑到核心层交换机、管理 网络、存储网络等因素，以及安装率的相关考虑，整体而言，预计英伟达 H100 GPU 与 800G 光模块的比例将大约在 1:2 至 1:4 之间。

AI 行业成熟度提升，算力需求释放，给整条光通信产业链带来长期而有力的拉动。 算力基础设施加速建设。AI 大模型的应用前景直接拉高海内外云厂商算力基 础设施的投资预算，23Q4 谷歌、微软资本支出实现两位数同比增长，预计下 游 AI 需求将拉动整个光通信行业市场增长。 AI 驱动产品需求结构加速向高速率演进。根据 Marvell 官网，2023 年之前， 互连速度由云数据中心服务器升级的速度决定（40G->100G->200G->400G）， 每 4 年互连速度翻一番；2023 年之后，在生成式 AI 的需求推动下，互连速度 提升至每 2 年翻一番（400G->800G->1.6T->3.2T 及更高），光纤是 AI 的主要 介质。我们总结：在 100G 至 400G 的演进中，云服务是主要推力；进入 AI 超算时代后，大模型训练推理、自动驾驶、科学计算等需求推动光模块向更高 速率演进。

中国 AI 算力需求稳增，持续夯实算力底座。中国政府相继发布一系列政策，更加 明确了 AI 对于提升中国核心竞争力的重要支撑作用，加上新基建、数字经济等持续利好 政策的推动，中国人工智能市场保持平稳增长。据 IDC 数据预测，全球范围内，企业在 包括硬件、软件和服务在内的 AI 市场的技术投资从 2019 年的 612.4 亿美元增长至 2021 年的 924.0 亿美元，并有望到 2025 年突破 2000 亿美元。2022 年中国智能算力规模达 260EFLOPS，预计到 2027 年智能算力规模有望突破 1117.4EFLOPS。我们认为，受到 单 GPU 算力的限制，国内为提升 AI 训练和推理算力规模，国产光互连的需求或将迎来 更快的发展，但需解决算力利用率的问题。

AI 光模块市场有望迎来持续翻倍式增长。根据遥数据自动化微信公众号援引 lightcounting，AI 在短短两年内将以太网光模块的市场翻了一番，预计 2024 和 2025 年 的全球 AI 场景光模块数量都将实现翻倍式增长。

我们认为硅光在 AI 时代具有显著的成本规模优势。我们总结：由于 AI 网络架构较 传统云计算数据架构，东西向流量更大，内部互联光模块数量更多，总体成本巨大。同 时，AI 带来光模块市场需求的爆发式增长，使降本需求变得更为迫切，硅光方案的成本 优势更加凸显。这是硅光光模块规模化应用的最重要前提，硅光方案的成本优势有望逐 步体现。

2. 竞争路线速率、供给、功耗存在瓶颈，硅光优势明显

我们判断，未来的 3-5 年，在单模领域，硅光与 InP 技术（主要是 EML 产品）将 会在市场上展开竞争；随成本进一步降低，有机会在超短距上从多模方案（现为 GaAs 方案的 VCSEL 产品）中占据一定份额。主要理由如下： #1 竞争路线速率瓶颈，硅光持续优化、且有成本优势。 数据中心光模块由于应用场景和速率的不同，应用不同的光芯片和材料。数据中心 设备之间的连接由高速光接口提供，并且根据连接距离不同分为 SR（短距离）、DR （指 500 m 距离）、FR（远距离）、LR（长距离）等规格，不同传输距离采用的技术方案也 会有所不同。根据菲魅通信官网，800G 及以下速率的 SR 和 AOC 场景主要使用 VCSEL 光芯片，DR/FR/LR/ER/ZR 场景、以及 800G 以上速率场景均可采用 EML/DML 光芯片， 硅光方案可广泛应用于高速光模块的各大场景。

硅光方案通信速率提升，应用场景逐步扩大，在 800G+场景下有望全面渗透。根据 菲魅通信官网，我们进一步总结：1）GaAs 材料体系——VCSEL 光芯片由于模式为多 模、带宽较低、色散较大、成本较低等特性，故此主要应用于高速光模块中偏低速（100G、 200G、400G 光模块）、偏短距（主要小于 100m）的场景；2）InP 材料体系——DML/ EML 光芯片由于单模、色散较低、成本较高等特性，主要应用于中长距离，其中 EML 由于带宽更高可用于更高速率场景；3）硅材料体系（激光器为 InP 材料），模式为单模、 带宽高、色散低，但在成本上高于 VCSEL 和 DML，在 100G/200G 光模块场景中主要 硅光应用于 DR 光模，但在 800G+光模块场景下有望逐步覆盖数据中心各个领域。

与 InP 相比，硅光芯片生产具备更显著的规模效应。制造成本主要由晶圆厂的摊销 成本、工艺的复杂性（工艺步骤的数量）和晶圆厂的负载决定，材料成本通常只占光芯 片总成本的一小部分。1）规模远小于晶圆厂产能时，芯片成本主要由晶圆厂投资决定，故总产量较小时大型晶圆厂成本更高；2）当晶圆厂产量接近产能，芯片成本主要由加 工成本决定（加工成本只与晶圆尺寸有微弱关系），大晶圆厂中的大晶圆不比小晶圆厂中 的小晶圆更贵。因此，大批量生产时大晶圆厂更具成本效益。

我们认为，由于硅光具有规模效应，在高速率场景打开出货规模后，有望进一步降 低成本，有机会下沉到 100G-400G 光模块的 SR 等其他场景。 #2 竞争路线产能瓶颈，III-V 族化合物扩产周期相对较久，且良率较低，硅光复用成 熟 CMOS 工艺，易于扩产。 传统光芯片如 VCSEL（GaAs）和 EML/DFB（InP）的生产主要为 III-V 族化合物 产业链。产业链包括上游的衬底制造、外延加工，以及中游的 IC 设计、制造、封测和 下游应用等环节。

我们判断随 AI 爆发带来光模块需求激增，可能出现光芯片结构性缺芯，主要针对 高速光芯片。扩产瓶颈主要是购买核心设备尤其是外延设备。光芯片扩产周期往往需要 1-3 年时间，扩产步骤包括土建、购买设备、设备调试、产品调试等。外延设备市场集 中度较高，德国 Aixtron 等国际设备厂商占据光通信芯片外延设备较大的市场份额，且 外延设备价格较为高昂（长光华芯招股书中 MOCVD 单台设备投资额最高达 1600 万 元），下单-进厂周期往往在一年左右甚至更多。我们判断由于扩产周期久、投入相对较 大，海外美/日本龙头并不会突然增加产量，供应链紧张或会出现。

此外，国内传统光芯片厂商在高速率和国外仍有较大差距，我们认为主要体现在良 率层面。根据 Lightcounting，国内厂商在 100G/Lane 光芯片和国外有 2-3 年代际差距。 国内领先厂商主要为源杰科技、索尔思、光迅科技等。国内厂商在中低速芯片层面具备 量和人力成本优势。 硅光芯片复用成熟 CMOS 工艺，易于扩产。硅集光电子集成芯片可以利用成熟的 硅工艺，其晶圆尺寸大、单颗芯片成本低，制程线宽小（130nm/90nm/45nm）。因此， 硅光芯片可以利用成熟的硅半导体代工供应链，与 CMOS、SiGe 等产业共享产能。 #3 竞争路线功耗瓶颈，硅光方案可以降低功耗，且更容易与 LPO、CPO 等方案结 合，进一步降低光互连功耗水平。 解决数据传输速率提升问题的同时，也必须面临增加的功耗和成本所带来的挑战。 根据 Cisco 官网，达到 400G 和 800G 阶段，光模块的功耗急剧增加，占整个设备总功 耗的 40%或更多。与 2010 年相比，2022 年的总功耗增加了 22 倍。光通信设备能源消 耗的增加给整个数据中心的能源利用和成本带来了巨大负担。